Pointspectrum：等变性与拉普拉斯滤波结合的图表示学习
机器学习
2021-09-08 v2 人工智能
摘要
图表示学习（GRL）已成为现代图数据挖掘与学习任务的基础。GRL 旨在捕获图的结构信息，并将其与节点和边属性结合以计算低维表示。尽管图神经网络（GNN）已用于最先进的 GRL 架构，但已证明当需堆叠多层 GNN 时会遭受过平滑问题。在另一种 GRL 方法中，基于图滤波的谱方法已兴起以应对过平滑；然而迄今它们采用的传统神经网络无法有效利用图数据结构。受此启发，我们提出 PointSpectrum，一种结合集合等变网络以考虑图结构的谱方法。PointSpectrum 提升了谱方法的效率与表达能力，同时优于或与最先进 GRL 方法相竞争。总体而言，PointSpectrum 通过采用图滤波器解决过平滑，并通过集合等变性捕获图结构，位于 GNN 与谱方法的交叉点。我们的发现对谱方法与 GRL 的这种架构转变的益处和适用性充满前景。
引用
@article{arxiv.2109.02358,
title = {Pointspectrum: Equivariance Meets Laplacian Filtering for Graph Representation Learning},
author = {Marinos Poiitis and Pavlos Sermpezis and Athena Vakali},
journal= {arXiv preprint arXiv:2109.02358},
year = {2021}
}
备注
13 pages, 8 figures, 6 tables